Ancrer les agents d’IA dans la réalité biologique : éléments de base pour des laboratoires humides autonomes

Ancrer les agents d’IA dans la réalité biologique : blocs de construction pour des laboratoires autonomes

L’intersection entre l’intelligence artificielle et la recherche biologique évolue d’une idéation théorique vers une mise en œuvre physique. Google Research fait avancer cette frontière en ancrant les agents d’IA dans la réalité biologique, dans le but de naviguer à travers des environnements biologiques complexes grâce à la robotique de laboratoire. La vision à long terme postule que ces agents ne se contenteront pas d’élaborer des idées et d’analyser des données, mais exécuteront également des expériences de laboratoire pour tester des hypothèses, apprendre à partir des résultats et s’améliorer eux-mêmes afin de résoudre des problèmes complexes, tout cela sous l’impulsion de l’action scientifique humaine.

Compléter le manque avec le cadre VERID

Un défi majeur dans la réalisation de laboratoires autonomes est le fait que les modèles de pointe ne parviennent souvent pas à raisonner de manière fiable concernant la géométrie tridimensionnelle et l’état physique. Cette limitation pose de gros problèmes pour l’automatisation des robots spécialisés dans la manipulation de liquides, qui doivent déplacer des réactifs, suivre des volumes et exécuter des protocoles de biologie moléculaire. Pour y remédier, Google Research a développé le cadre VERified Infrastructure for Discovery Laboratories (VERID).

VERID agit comme un jumeau numérique sémantique de la cellule de travail du laboratoire. Il s’agit d’un arbre d’entités volumétriques en temps réel et à état, 3D, qui suit tout, de la géométrie du bras robotique aux volumes de chaque puits, aux identités des réactifs et au stock de pointes de pipette. Selon Google Research, la sécurité d’une commande dépend à la fois de ce contexte physique en temps réel et du code lui-même. Un agent peut générer un code syntaxiquement valide qui est physiquement impossible, logistiquement invalide ou scientifiquement compromise par des effets fluidiques non modélisés.

Construit sur le cadre open source PyLabRobot, VERID offre quatre capacités fondamentales pour combler l’écart entre le raisonnement de haut niveau et la réalité physique :

• Suivi en temps réel de l’état 3D : Permet aux agents de vérifier la disposition des plateaux, les volumes des puits et les tips disponibles avant d’agir.
• Essais virtuels rapides : Simule les protocoles en quelques secondes afin de détecter des collisions ou des puits vides avant d’utiliser des réactifs.
• Vérifications de sécurité du matériel : Bloque les commandes invalides avant qu’elles n’atteignent le robot.
• Enregistrements vidéo et de actions synchronisés : Capture un enregistrement complet de chaque essai pour assurer la rigueur de la recherche, sa reproductibilité et le débogage.

Google Research illustre ces capacités à l’aide d’études de cas spécifiques. Dans un cas, les vidéos synchronisées et les traces d’exécution ont permis d’identifier une stratification inégale du colorant due à un dosage trop proche du fond des puits, ce qui a permis à l’agent d’améliorer sa stratégie de mélange. De plus, l’état du jumeau numérique persistant a permis à un agent de reprendre un essai en cours en cas de panne du lecteur de plaques, sans avoir à recommencer les pipétages. Dans un autre scénario, lorsque le simulateur a rejeté une aspiration sur un canal 8 qui physiquement ne pouvait pas entrer dans une rainure étroite, l’agent a réplanifié en temps réel. Cela a conduit à un diagnostic factoriel ciblé qui a isolé un biais subtil causé par un transfert résiduel depuis la paroi du tip, un mode de défaillance que la simple reproduction n’aurait pas permis de détecter.

Dans une campagne d’auto-exécution en boucle fermée, un agent a conçu et exécuté itérativement des expériences avec robot pour reconstituer des mélanges de colorant non identifiés à partir d’images prises par une caméra située au-dessus. En identifiant ses propres artefacts optiques et fluidiques au fil des essais, l’agent a amélioré la précision de plus de cinq fois. Google Research souligne que l’exécution reproductible et les enregistrements complets des traces — qui capturent des variables procédurales telles que les temps d’immobilisation, l’évaporation et la disposition des plateaux — posent les bases pour que les agents puissent finalement séparer les signaux biologiques du bruit expérimental.

Les aptamères comme environnement de test pour la découverte en laboratoire intégré

Alors que VERID gère l’exécution physique, les agents ont besoin de résultats expérimentaux réels pour affiner leurs hypothèses, car les modèles computationnels ne peuvent pas capturer l’ensemble des réactions en laboratoire. Pour prototyper ce système en boucle fermée, Google Research a utilisé des aptamères à ADN se liant aux protéines.

Dans le projet intitulé « Aptamers as a sandbox for lab-in-the-loop agentic molecular discovery », les agents conçoivent, synthétisent, sélectionnent et séquencent de manière itérative des aptamers au cours de trois cycles de conception-test-itération. Un cycle complet de conception-test-analyse d’aptamers ne prend que 7–10 jours, car l’ADN peut être synthétisé chimiquement dans des bibliothèques combinées et lu directement par séquençage.

Google Research signale des améliorations significatives au cours de trois tours sur deux cibles protéiques présentant différents niveaux de difficulté : la myoglobine et l’α-thrombine.

• α-Thrombine : Au tour 1, le rendement était de 0% ligands, car des extrémités de primer fixes perturbaient le pliement dans 48% des séquences. Lorsque les agents ont introduit des brins flanquants fixés au tour 2 et diversifié au tour 3, les taux de succès sont passés à 26.0% puis à 42.1% avec une spécificité de 98.5%.
• Myoglobine : Au tour 2, les agents ont donné la priorité à l’affinité de liaison brute, en enrichissant fortement les motifs G-quadruplex (63% des conceptions). Bien que la quantité de ligands obtenus par méthode de pull-down brute ait augmenté, les données issues des expériences en laboratoire ont montré que la plupart d’entre eux étaient des ligands non spécifiques et « collants » qui adhéraient à des protéines hors cible ainsi qu’aux billes magnétiques nues. Cela a entraîné une baisse de la spécificité cible de 75.0% à 19.1%, et le véritable taux de succès, corrigé en fonction des billes, est tombé de 10.2% à 3.7%.. Ayant reconnu cet artefact, les agents ont révisé de manière autonome leurs règles de conception pour le tour 3, en limitant les motifs promiscues, en éliminant les ligands liés aux billes et en se tournant vers des squelettes structuraux non-G4. Cette amélioration a permis d’atteindre une spécificité de 72.4% ainsi qu’une augmentation de neuf fois du taux de succès sur la cible, atteignant 33.5%..

Google Research souligne que, au cours des trois tours, les agents apprennent à partir des résultats obtenus en laboratoire afin de retrouver une spécificité cible et d’améliorer les taux de succès confirmés de type dé novo. L’étude examine également la manière dont les agents raisonnent comme des scientifiques, en analysant des données et en proposant des ajustements aux protocoles de laboratoire, tout en explorant parfois des espaces de séquences que les biologistes structuraux pourraient ne pas envisager.

Accélération de la conception de ligands protéiques de novo

Clôturer le cycle pour les protéines est plus complexe que pour les aptamères. Contrairement aux aptamères synthétisés chimiquement, les protéines doivent être exprimées biologiquement, ce qui ajoute des étapes de sélection, d’expression et de pliement au niveau cellulaire ou hors cellule. Cela crée des goulets d’étranglement tant du côté computationnel que dans le laboratoire classique.

Google Research a appliqué son processus de travail à la protéine d’activation des fibroblastes alpha (FAP), un récepteur de grande taille et difficile à manipuler, surexprimé dans les tumeurs solides. En seulement quelques essais expérimentaux, les meilleures conceptions ont produit des ligands présentant une affinité nanomolaire à un seul chiffre. Google Research indique que ce niveau de liaison étroite, similaire à celui d’un médicament, n’est généralement atteint qu’après de nombreuses rounds d’optimisation en laboratoire.

Le pipeline computationnel accélère la prédiction de la structure 8.6x en extrayant chirurgicalement uniquement la poche de liaison locale lors du pliement. Cette approche permet à un pipeline hybride humain-agent de presque doubler le taux de succès in silico par rapport à un scientifique travaillant seul. Afin d’échelonner le tri en laboratoire classique, l’équipe a mis en œuvre la présentation de surface sur levure associée au tri cellulaire activé par fluorescence (FACS), ce qui leur permet de tester en parallèle de grandes bibliothèques de variants protéiques modifiés au moyen de la fluorescence.

Sécurité et perspectives futures

Conformément au cadre de sécurité Frontier de Google et à son approche de la bio-résilience, des mesures de protection sont intégrées dans les processus tant computationnels que de laboratoire classique. Google Research a délibérément choisi des systèmes biologiques bien contrôlés, non infectieux et sans risque de gain de fonction, comme plateformes d’essai pour évaluer le comportement des agents et détecter précocement tout écart. Chaque séquence conçue est soumise à un contrôle de biosécurité.

L’étape suivante consiste à relier ces éléments entre eux, en combinant l’automatisation entièrement traçable de VERID avec un apprentissage en boucle fermée pour la découverte de protéines. Cette intégration vise à permettre aux agents de naviguer directement dans des espaces de recherche biologique complexes et difficiles dans le laboratoire classique. Grâce à la simulation avant exécution, les agents n’envoient jamais de code non vérifié directement aux robots de manipulation de liquides ; chaque protocole est testé en simulation et validé par le jumeau numérique avant toute action physique.

En ancrant les agents d’IA dans la réalité biologique, Google Research établit les éléments de base pour des laboratoires autonomes, en avançant vers un avenir où l’IA pourra naviguer intelligemment dans d’immenses espaces de recherche combinatoire et accélérer la découverte de médicaments.

Source :

• Ancrer les agents d’IA dans la réalité biologique : Éléments de base pour des laboratoires autonomes — Google Research — https://research.google/blog/grounding-ai-agents-in-biological-reality-building-blocks-for-autonomous-wet-labs